[发明专利]波束形成方法、波达方向识别方法及其装置和芯片

说明书

本发明公开了一种波束形成方法、波达方向识别方法及其装置和芯片，为解决现有波达方向识别计算复杂、精度不高、实时性和抗噪性差的问题，本发明的波束形成方法应用于脉冲神经网络，通过脉冲神经网络的波束形成层的权重矩阵进行波束形成，得到波束形成信号；所述脉冲神经网络基于波束形成信号，获得波达方向。本发明利用波束形成层中预先建立的权重矩阵形成波束形成，提高了波束形成的效率，可以在确保波达方向估计的准确度的同时，降低功耗，具有更好的鲁棒性、更快的处理速度。本发明适于类脑计算领域。

技术领域

本发明涉及波束形成方法、波达方向识别方法及其装置和芯片，具体涉及基于脉冲神经网络（Spiking Neural Networks，SNN）低功耗、低成本且高精度地进行波束形成、波达方向识别的方法及其装置和芯片。

背景技术

听声辩位/向，是生物进化出的本能，能够在噪声等复杂环境下，快速有效地识别出感兴趣的声源方向。随着人工智能技术的发展，仿生的机器视觉、机器听觉，在视频会议、智能机器人、智能家居、质量视频监控系统、智能物联网等边缘领域具有广泛的应用。

由于声源与麦克风阵列中每个麦克风之间的距离、方向是不同的，但是麦克风阵列中每个麦克风都有可能接收到该声源的语音信号，并且随着声源的移动、房间的混响、其他声源的干扰、噪声（包括但不限于环境噪声或/和电子设备内部噪声等）都不可避免的降低了语音信号的质量、语言清晰度以及声源定向的准确度，而目前的声源定向技术不仿生，不具有很高的灵敏度和鲁棒性，这些因素增加了声源定向的难度和是实时性，影响视听效果、并使得以语音为交互方式的电子设备的性能降低。因此，通常在确定声源所在的位置后，还需进行语音信号降噪、声源分离处理等处理。

现有声源定位/定向方法大多需要借助奇异值分解（SVD）、子空间（subspace）、波束赋形（beamforming）、广义互相关相位变换等算法来提高声源方法的准确度，虽然该些技术精度较高，但对设备的计算性能要求较高，复杂的计算不仅消耗大量的存储资源和功耗，更难以在低功耗的硬件中实现。

而且，现有基于深度学习的人工神经网络（ANN或RNN等）进行源定位（soundsource localization，SSL），该些技术一方面缺少神经内部的动力学机制，不够仿生/智能，且实时性待提升，另一方面对能耗、存储空间需求大，主要用于连网的大算力终端，不适合边缘计算、物联网场景。

如果能在硅上以生物或仿生的方式实现听声辩位，在达到常规方案的声源识别精度的同时，提升声源定向技术的实时性、灵敏性、抗噪性能，并能够低成本且容易地在低功耗硬件中实现和应用，将是机器听觉在边缘智能计算领域商业化应用中的一大进步。

发明内容

为了解决或缓解上述部分或全部技术问题，本发明是通过如下技术方案实现的：

一种波束形成方法，所述方法包括：

所述波束形成方法应用于脉冲神经网络；

其中，脉冲神经网络包括波束形成层，所述波束形成层为脉冲神经网络中的一层；

利用波束形成层的权重，对所述波束形成层的输入脉冲或波束形成层的输入脉冲经低通滤波后的信号进行波束形成（即加权），得到波束形成信号。

在某类实施例中，利用突触或/和神经元膜对所述波束形成层的输入脉冲进行低通滤波，得到滤波后的信号。

在某类实施例中，基于样本数据，计算在不同频率通道下且与不同角空间对应的波束形成向量；所述频率通道为对任意传感器接收的信号进行通道分解后得到的多个频率通道中的一个；

基于所有的波束形成向量，得到波束形成层的权重矩阵。

在某类实施例中，基于所述权重矩阵，提取所述波束形成层的输入脉冲或波束形成层的输入脉冲低通滤波后信号中的非直流分量进行波束形成，得到的波束形成信号为零直流信号。